虚拟电厂运行机制

虚拟电厂（VPP）对电力资源的调节是其最核心、最精妙的功能。它本质上扮演着一个“全能电力调度员”的角色，但其调度对象不再是几个大电厂，而是成千上万个分散的、类型各异的分布式资源。

1. 察：全面感知与实时监测

这是调节的基础。虚拟电厂通过安装在各类终端资源上的智能电表、传感器和控制终端，实时收集数据：

发电侧：分布式光伏、风电的实时发电功率和预测。
负荷侧：楼宇空调、工厂生产线、电动汽车充电桩的用电功率和可调节潜力（如空调能调高几度而不影响舒适度）。
储能侧：储能系统的当前荷电状态（SOC）、最大充放电功率。

所有这些数据通过物联网技术汇聚到虚拟电厂的“大脑”——云控平台，形成一个完整的、实时的系统运行状态图。

2. 算：智能决策与优化计算

这是虚拟电厂的“大脑”工作环节。平台基于收到的数据和外部的电网需求指令或电力市场价格信号，进行高速优化计算。

目标：在满足所有约束条件（如用户舒适度、生产过程连续性、储能安全）的前提下，以最低成本或最大收益完成电网的调节需求（如降低1000千瓦负荷）。
算法：采用复杂的优化算法和人工智能模型，决定“让谁调节、调节多少、何时调节”。例如，是让A工厂的空调调节，还是启动B储能电站放电，或是降低C充电桩的功率，抑或是三者组合。

3. 控：精准执行与协调控制

计算得出最优策略后，虚拟电厂平台通过通信网络向各个终端资源下发控制指令。

负荷侧调节（需求响应）：这是最常用的手段。
- 削峰：在用电高峰时段，远程降低商业综合体的空调功率、调节冷冻库的制冷温度、暂停非紧急的工业生产线（如抛光、清洗工序）。
- 填谷：在用电低谷时段，启动电动汽车充电桩、鼓励工厂在夜间生产。
储能侧调节：
- 放电：在用电高峰时放电，相当于一个“电源”。
- 充电：在用电低谷时充电，相当于一个“负荷”，吸收多余的电能（特别是风光发电多时）。
发电侧调节：
- 如果有自备的分布式燃气轮机等可控电源，可以指令其增加或减少发电出力。

所有这些控制可以是自动化的、毫秒级响应的，无需人工干预。

4. 评：效果验证与收益结算

调节指令发出后，平台会持续监测实际执行效果，验证是否达到了预期的调节目标（如确实减少了1000千瓦需求）。

性能评估：评估每个资源的响应速度、调节精度和可靠性，为未来的优化调度提供数据支持。
经济结算：根据每个资源实际提供的调节服务量，按照事先约定的价格进行收益结算，将钱分给参与的用户。这是激励用户持续参与的关键。

网约车平台

你可以把虚拟电厂理解成一个 “电力版的网约车平台”：

分布式资源（空调、储能、电动汽车）就像是路上行驶的私家车。
电网（需要调节电力）就像是需要打车出行的乘客。
虚拟电厂平台就像是网约车平台（如滴滴）。
- “察”：平台知道所有车辆的位置、状态和空座率（实时监测）。
- “算”：平台收到乘客的订单后，通过算法计算出由哪位司机来接单最合适、路线最优（智能决策）。
- “控”：平台将订单发送给指定的司机（下发指令）。
- “评”：行程结束后，平台从乘客那里收取车费，并按比例分给司机（验证结算）。

虚拟电厂就是这样，将海量、分散的电力资源高效地组织起来，去完成“乘客”（电网）的出行（调峰、调频）需求。

实际应用场景举例

场景：夏季用电晚高峰，电网压力巨大，急需降低某区域的用电负荷。

电网发出需求：向虚拟电厂平台发布指令：“请在30分钟内，降低1000千瓦负荷，持续2小时。”
平台快速计算：虚拟电厂平台立刻分析旗下所有资源的状态：
- 商业综合体A：空调可调节，预计可降负荷300kW。
- 工厂B：有一条非紧急生产线可暂停，预计可降负荷400kW。
- 储能站C：当前电量80%，可放电300kW。
- 电动汽车充电站D：可将10个快充桩功率暂时降低，预计可降负荷200kW。
- 优化决策：选择调用A、B、D的资源（共900kW）和C放电100kW，组合完成目标。这样对用户影响最小，且成本最优。
下发指令执行：
- 向综合体A发送指令，将其空调主机功率自动下调。
- 向工厂B发送指令，暂停指定生产线。
- 向充电站D发送指令，将10个充电桩功率从60kW暂时降至40kW。
- 向储能站C发送指令，以100kW功率放电。
验证与结算：
- 平台确认总负荷降低了1000kW，响应了电网需求。
- 事后，平台根据A、B、C、D各自贡献的调节量，向他们支付报酬。

1. 电网降负荷需求

这个价格不是固定的，它由市场决定，波动很大。其定价机制主要分为两种：由政府制定的补偿价格和由市场竞争形成的价格。

a) 政府制定的补偿价格（主要用于“需求响应”）

在许多虚拟电厂项目的初期，为了鼓励用户参与，政府或电网公司会出台明确的补偿价格标准。通常有两种模式：

固定补贴价格：例如，深圳市曾规定，对参与虚拟电厂需求响应的用户，每响应1千瓦负荷，补偿10元/小时（注意单位是“元/千瓦”，而非“元/度”）。这意味着，如果一个工厂响应了100千瓦的负荷，持续2小时，它将获得 10元/千瓦 * 100千瓦 * 2小时 = 2000元 的补偿。
电费折扣/激励：另一种形式是，参与用户可以在电费账单上获得直接折扣，例如每度电便宜0.1元，而不是直接获得响应补偿。

特点：价格稳定、透明，旨在培育市场，但可能无法完全反映资源的真实市场价值。

b) 市场竞争形成的价格（主要用于“辅助服务市场”）

这是更成熟和高阶的模式。虚拟电厂作为一个整体，像传统电厂一样，参与电力现货市场或辅助服务市场（如调峰市场）进行竞价。

价格由供需决定：
- 在电力极度紧张时（例如，夏季用电晚高峰，所有机组都满发仍不够用），为了“削峰”，电网愿意支付高昂的价格来购买负荷削减能力。此时的边际出清价格可能会非常高，可能达到3-4元/度电甚至更高。
- 在电力供应宽松时（例如，春季凌晨，风电光伏大发而用电需求低），为了“填谷”，激励用户多用电的价格就会很低，可能只有0.1-0.2元/度电。
报价模式：虚拟电厂运营商会根据其聚合资源的成本（如给用户的补偿价、自身运营成本）和预期利润，向电力交易中心申报一个价格。交易中心按“价格优先”的原则排序，从低到高调用资源，最后一个被调用的资源的报价，就是市场的统一出清价格。

特点：价格波动大，能真实反映电力商品的时空价值，对虚拟电厂的运营策略和预测能力要求极高，但收益潜力也更大。

2. 支付的主体是哪些？

资金的最终来源是电力用户，但支付的主体（即“谁直接掏钱”）根据不同情况有所不同。

电网公司：
- 这是目前最主要的支付主体。当电网公司以“需求响应”项目的形式组织虚拟电厂进行削峰填谷时，它会直接向虚拟电厂运营商支付费用。这笔钱通常来源于电网公司的运营成本，或通过输配电价进行疏导。
电力市场/交易中心：
- 在已经开放电力辅助服务市场的地区（如广东、山西、山东等），虚拟电厂作为独立市场主体参与竞价。一旦中标并提供服务，电力交易中心会根据市场出清价格，从所有市场成员（主要是发电厂和电力用户）缴纳的相关费用中，向虚拟电厂支付报酬。
售电公司/大型电力用户：
- 一些售电公司为了平衡其购售电偏差（避免罚款），会愿意向虚拟电厂购买调峰服务。
- 一些执行“峰谷电价”且价差很大的大型企业，如果自身调节能力不足，也可能向虚拟电厂购买服务，以降低其高峰电费支出。

虚拟电厂在“填谷”中的具体操作

“填谷”就是在低谷电价时段，引导商户多用电，把电网的负荷“山谷”填高一些。虚拟电厂主要通过以下两种方式实现：

调整用电时间（负荷转移）：
- 将一些原本要在高峰时段运行的生产或活动，推迟或提前到低谷时段进行。
- 典型案例：
  - 电动汽车充电站：虚拟电厂引导或直接控制充电桩，在夜间低谷电价时段为车辆集中充电，而不是在白天高峰时段充电。
  - 冰蓄冷空调：在夜间低谷时段，开动制冷机制冰，将“冷量”储存起来；在白天高峰时段，停止制冷机，直接用夜间储存的冰来供冷。
  - 柔性生产制造：将一些高耗能、非连续的生产工序（如电解、电加热、粉碎等）安排在夜间进行。
增加用电量（负荷增加）：
- 在低谷时段进行一些额外的用电操作，进一步消耗电网富余的电能（特别是风电、光伏大发时）。
- 典型案例：
  - 储能电站（充电）：虚拟电厂指令其聚合的分布式储能系统，在低谷电价时段从电网充电，吸收电能。
  - 调节游泳池/水箱加热：在夜间低谷时段将水加热到比日常所需更高的温度，以备白天使用，减少白天的加热需求。

收益如何产生？—— 三方共赢的链条

假设低谷电价 0.3元/度，平段电价 0.7元/度。

1. 对于商户（如充电站、工厂）来说：收益来自于 “节省电费”

** before (参与前) **：
一个充电站白天（平段）为100辆车充电，总用电10000度。
电费成本：10000度 × 0.7元/度 = 7000元。
** after (参与虚拟电厂后) **：
虚拟电厂引导该充电站改为夜间（低谷）充电。
电费成本：10000度 × 0.3元/度 = 3000元。
商户的收益：
节省的电费 = 7000元 - 3000元 = 4000元。
对于商户来说，这节省的4000元就是它的“收益”。它不需要直接收到现金，而是体现在显著降低的电费账单上。

2. 对于虚拟电厂运营商来说：收益来自于 “服务分成”

虚拟电厂运营商通过其技术平台和调度策略，帮助商户实现了电费节省。因此，它会与商户共享这部分节省的收益。

运营商与商户事先签订协议，约定分成比例（例如 5 : 5 或 3 : 7，通常商户拿大头）。
在上面的例子中，总共节省了4000元。
- 如果按5：5分成：
  - 商户额外多得：2000元（相当于电费成本再降2000元）
  - 运营商收益：2000元（这是它的服务费收入）
- 如果按3：7分成（运营商3，商户7）：
  - 商户额外多得：2800元
  - 运营商收益：1200元

3. 对于电网公司来说：收益来自于 “系统优化”

削峰填谷，平衡了电网负荷，提高了电网运行的安全性和稳定性。
促进了新能源消纳（夜间风电多发，正好被用于填谷）。
避免了为了满足短暂高峰而投资建设新的发电厂和输配电设施，节约了巨大的社会公共成本。

光伏发电预测：

以日光伏发电量为预测目标，和风天气 API (拿到过去1年的历史天气数据)，通常能拿到这些关键特征：

1. 气象特征（最核心）

日照时数（sunshine hours）
总辐射 / 太阳辐射强度（solar radiation）
平均温度、最高温、最低温
湿度（相对湿度）
风速、风向
降水量、降水概率
云量 / 云覆盖率
气压

2. 时间特征（必须加）

年、月、日
季节（春 / 夏 / 秋 / 冬）
星期几
昼长、日出日落时间
历史同期发电量（滞后特征）

3. 可构造的衍生特征

温度 × 辐射交互项
湿度 × 辐射交互项
历史 N 天平均发电量
历史同期均值 / 方差

总共构造17个特征，从和风天气拉取：日辐射、日照、温度、湿度、云量、降水，拼接历史发电数据，构造时间特征 + 滞后特征。

数据来源：和风天气接口，包括：温度、天气状况、风力、风速、风向、相对湿度、大气压强、降水概率、露点温度、云量。

hourly.fxTime 预报时间
hourly.temp 温度，默认单位：摄氏度
hourly.icon 天气状况的图标代码，另请参考天气图标项目
hourly.text 天气状况的文字描述，包括阴晴雨雪等天气状态的描述
hourly.wind360 风向360角度
hourly.windDir 风向
hourly.windScale 风力等级
hourly.windSpeed 风速，公里/小时
hourly.humidity 相对湿度，百分比数值
hourly.precip 当前小时累计降水量，默认单位：毫米
hourly.pop 逐小时预报降水概率，百分比数值，可能为空
hourly.pressure 大气压强，默认单位：百帕
hourly.cloud 云量，百分比数值。可能为空
hourly.dew 露点温度。可能为空

    {
      "fxTime": "2021-02-16T17:00+08:00",
      "temp": "0",
      "icon": "100",
      "text": "晴",
      "wind360": "341",
      "windDir": "西北风",
      "windScale": "4-5",
      "windSpeed": "25",
      "humidity": "11",
      "pop": "0",
      "precip": "0.0",
      "pressure": "1026",
      "cloud": "0",
      "dew": "-26"
    }

import pandas as pd
import numpy as np
import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import mean_squared_error
from sklearn.preprocessing import StandardScaler

# ===================== 1. 数据准备（模拟和风天气数据 + 光伏数据） =====================
# 实际使用时替换为：从和风天气API拉取数据后整理成DataFrame
# 特征列对应和风天气可获取的核心特征，目标列为日光伏发电量（kW·h）
data = pd.DataFrame({
    # 气象特征（和风天气API可获取）
    '日照时数': [6.2, 7.5, 5.8, 8.1, 4.9, 7.8, 6.5, 8.3, 5.2, 7.1, 6.8, 7.9],
    '太阳总辐射': [4.2, 5.1, 3.8, 5.5, 3.2, 4.9, 4.0, 5.3, 3.5, 4.7, 4.4, 5.0],
    '平均温度': [25, 28, 24, 30, 22, 29, 26, 31, 23, 27, 26, 30],
    '相对湿度': [65, 58, 70, 55, 75, 60, 68, 52, 72, 62, 66, 54],
    '风速': [2.1, 1.8, 2.5, 1.5, 3.0, 1.9, 2.2, 1.4, 2.8, 2.0, 2.3, 1.6],
    '云量': [20, 10, 30, 5, 40, 15, 25, 8, 35, 18, 22, 10],
    '降水量': [0, 0, 0.5, 0, 2.0, 0, 0, 0, 1.0, 0, 0, 0],
    # 时间特征（构造）
    '月份': [6, 6, 6, 6, 6, 7, 7, 7, 7, 7, 7, 7],
    '昼长': [14.2, 14.5, 14.1, 14.6, 13.9, 14.7, 14.4, 14.8, 14.0, 14.6, 14.5, 14.7],
    # 目标列：日光伏发电量（kW·h）
    '日发电量': [850, 980, 780, 1020, 650, 950, 820, 1050, 700, 920, 880, 1000]
})

# ===================== 2. 数据预处理 =====================
# 分离特征（X）和目标（y）
features = ['日照时数', '太阳总辐射', '平均温度', '相对湿度', '风速', '云量', '降水量', '月份', '昼长']
X = data[features]
y = data['日发电量']

# 划分训练集/测试集（7:3）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 特征标准化（可选，但能提升XGBoost稳定性）
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 转换为XGBoost专用DMatrix格式（提升训练效率）
dtrain = xgb.DMatrix(X_train_scaled, label=y_train)
dtest = xgb.DMatrix(X_test_scaled, label=y_test)

# ===================== 3. XGBoost模型参数设置 =====================
# 核心参数（针对日级光伏预测调优）
params = {
    'objective': 'reg:squarederror',  # 回归任务（平方误差损失）
    'max_depth': 5,                   # 树最大深度（避免过拟合）
    'learning_rate': 0.1,             # 学习率
    'n_estimators': 100,              # 树的数量
    'subsample': 0.8,                 # 采样比例（防止过拟合）
    'colsample_bytree': 0.8,          # 特征采样比例
    'random_state': 42,
    'eval_metric': 'rmse'             # 训练时评估指标
}

# ===================== 4. 模型训练 =====================
# 训练模型
model = xgb.train(
    params,
    dtrain,
    num_boost_round=100,
    evals=[(dtest, 'test')],  # 训练过程中验证测试集
    early_stopping_rounds=10, # 早停（防止过拟合）
    verbose_eval=10           # 每10轮打印一次评估结果
)

# ===================== 5. 模型预测 & MSE评估 =====================
# 预测测试集
y_pred = model.predict(dtest)

# 计算MSE（均方误差）
mse = mean_squared_error(y_test, y_pred)
rmse = np.sqrt(mse)  # 均方根误差（更直观，同发电量单位）

# 输出评估结果
print(f"\n测试集MSE（均方误差）: {mse:.2f}")
print(f"测试集RMSE（均方根误差）: {rmse:.2f} kW·h")

# 打印真实值 vs 预测值对比
result = pd.DataFrame({
    '真实发电量': y_test.values,
    '预测发电量': y_pred.round(2)
})
print("\n真实值 vs 预测值：")
print(result)

# ===================== 6. 特征重要性分析（关键！） =====================
# 查看哪些特征对光伏预测最关键（和风天气数据中辐射/日照通常排前）
importance = pd.DataFrame({
    '特征': features,
    '重要性': model.get_score(importance_type='weight')  # weight：特征被使用的次数
}).sort_values(by='重要性', ascending=False)
print("\n特征重要性排名：")
print(importance)

posted @ 2025-09-15 09:40 wangssd 阅读(243) 评论(0) 收藏举报

刷新页面返回顶部

wangssd